মহাবিশ্বের শ্রেণিবিন্যাসে এআইয়ের বিপ্লব: নিউরাল নেটওয়ার্কে মানচিত্রভুক্ত ২ কোটি ৭০ লাখ মহাজাগতিক বস্তু

মহাবিশ্বের মানচিত্র তৈরিতে এআইয়ের নতুন যুগের সূচনা

শতাব্দীর পর শতাব্দী ধরে জ্যোতির্বিজ্ঞানীরা রাতের আকাশের দিকে তাকিয়ে নক্ষত্র, ছায়াপথ এবং তাদের আবদ্ধ করে রাখা বিশাল মহাজাগতিক জালের রহস্য উন্মোচনের চেষ্টা করেছেন। আজ মহাবিশ্বের বিপুল ব্যাপ্তি নতুন এক চ্যালেঞ্জ তৈরি করেছে: প্রচলিত পদ্ধতিগুলো যখন তাল মেলাতেই হিমশিম খায়, তখন কোটি কোটি মহাজাগতিক বস্তুকে কীভাবে শ্রেণিবদ্ধ ও বোঝা সম্ভব? এক যুগান্তকারী অগ্রগতিতে, চীনের ইউনান অবজারভেটরিজের একদল বিজ্ঞানী একটি কৃত্রিম বুদ্ধিমত্তা (এআই) মডেল তৈরি করেছেন, যা আকাশের বিস্তীর্ণ অঞ্চলজুড়ে ইতিমধ্যে ২ কোটি ৭০ লাখেরও বেশি মহাজাগতিক বস্তু—নক্ষত্র, ছায়াপথ ও কোয়াসার—শ্রেণিবদ্ধ করেছে। এই অর্জন জ্যোতির্বিজ্ঞানে এক গুরুত্বপূর্ণ মুহূর্তের সূচনা করেছে; এটি মহাবিশ্ব অনুসন্ধান ও অনুধাবনের পদ্ধতিকে বদলে দেওয়ার প্রতিশ্রুতি দিচ্ছে।

মহাবিশ্বের বস্তু শ্রেণিবদ্ধ করা এত কঠিন কেন

আধুনিক জ্যোতির্বিজ্ঞান এখন বিপুল পরিমাণ তথ্যের বিস্ফোরণের মধ্যে রয়েছে। উন্নত টেলিস্কোপ ও আকাশ জরিপ—যেমন স্লোয়ান ডিজিটাল স্কাই সার্ভে (SDSS), কিলো-ডিগ্রি সার্ভে (KiDS) এবং ইউরোপীয় মহাকাশ সংস্থার ইউক্লিড মিশন—কোটি কোটি বস্তুর ছবি ও পরিমাপ সংগ্রহ করছে। প্রতিটি নতুন জরিপে টেরাবাইটের পর টেরাবাইট তথ্য যুক্ত হচ্ছে; এতে কোটি কোটি আলোকবর্ষ দূরের ছায়াপথ, সুপারনোভা এবং মহাজাগতিক জালের জটিল গঠন দৃশ্যমান হচ্ছে।

প্রচলিতভাবে জ্যোতির্বিজ্ঞানীরা কোনো বস্তুর গঠন, দূরত্ব ও ধরন নির্ধারণে তার আলো বিশ্লেষণ—অর্থাৎ বর্ণালিবীক্ষণ—এর ওপর নির্ভর করেছেন। বর্ণালিবীক্ষণ নির্ভুল, তবে ধীরগতির এবং প্রচুর সম্পদনির্ভর। বর্তমানে যত বিপুল তথ্য পাওয়া যাচ্ছে, তাতে মানুষের পক্ষে হাতে বা আধা-স্বয়ংক্রিয় পদ্ধতিতে সেগুলোর সঙ্গে তাল মেলানো অসম্ভব। ফলে জ্যোতির্বিজ্ঞানীরা ক্রমেই আলোকমিতিক জরিপের দিকে ঝুঁকছেন। এসব জরিপ বিভিন্ন রঙে (তরঙ্গদৈর্ঘ্যে) ছবি তোলে, তবে বর্ণালির মতো বিস্তারিত তথ্য দেয় না। এগুলো দ্রুততর হলেও আলোকমিতিক তথ্য অস্পষ্ট হতে পারে: দূরবর্তী ছায়াপথ, নক্ষত্র ও কোয়াসারকে প্রায়ই ক্ষুদ্র, উজ্জ্বল বিন্দুর মতো দেখায়, ফলে শুধু আকৃতি দেখে তাদের আলাদা করা কঠিন।

মানুষ ও প্রচলিত যন্ত্রনির্ভর শ্রেণিবিন্যাসের সীমাবদ্ধতা

শ্রেণিবিন্যাস স্বয়ংক্রিয় করার প্রচেষ্টায় সিদ্ধান্তগাছ ও র‍্যান্ডম ফরেস্টের মতো প্রচলিত মেশিন লার্নিং অ্যালগরিদম এবং সাম্প্রতিক সময়ে ডিপ লার্নিং নিউরাল নেটওয়ার্ক ব্যবহার করা হয়েছে। এসব পদ্ধতি চমৎকার নির্ভুলতা অর্জন করলেও, বিশেষ করে অনুজ্জ্বল বা দূরবর্তী বস্তু কিংবা মহাজাগতিক ধুলায় আচ্ছাদিত অঞ্চলের ক্ষেত্রে চ্যালেঞ্জ রয়ে গেছে। চিলির লা সেরেনা বিশ্ববিদ্যালয়ের এক গবেষণায় দেখা গেছে, ধুলার কারণে দৃশ্যমান আলোর বড় অংশ আটকে যায় এমন ‘জোন অব অ্যাভয়ডেন্স’-এর মতো কঠিন অঞ্চলে মেশিন লার্নিং মডেল হিমশিম খেতে পারে। বৈচিত্র্যময়, বহু-তরঙ্গদৈর্ঘ্যের তথ্য দিয়ে মডেলকে প্রশিক্ষণ না দিলে ভুলের হার বেড়ে যায়।

চীনা এআই মডেলটি যেভাবে কাজ করে

ইউনান অবজারভেটরিজের দলের তৈরি নতুন এআই মডেলটি একটি উল্লেখযোগ্য অগ্রগতি। বস্তুর চেহারা (আকৃতিগত বৈশিষ্ট্য) অথবা রং (বর্ণালিগত শক্তি বণ্টন, বা SED)—এর যেকোনো একটির ওপর নির্ভরশীল আগের পদ্ধতিগুলোর বিপরীতে, এই নিউরাল নেটওয়ার্ক একই সঙ্গে দুই ধরনের তথ্যই প্রক্রিয়াকরণ করে। দুই ধরনের তথ্য গ্রহণের এই নকশা এআইকে নক্ষত্র, ছায়াপথ ও কোয়াসারের মধ্যে এমন সূক্ষ্ম পার্থক্য শনাক্ত করতে সাহায্য করে, যা অন্যথায় চোখ এড়িয়ে যেতে পারে।

মডেলটিকে SDSS-এর ১৭তম তথ্য প্রকাশনা থেকে বর্ণালিবীক্ষণের মাধ্যমে নিশ্চিত করা উৎসের তথ্য দিয়ে প্রশিক্ষণ দেওয়া হয়েছিল—জ্যোতির্বৈজ্ঞানিক শ্রেণিবিন্যাসে যা স্বর্ণমান হিসেবে বিবেচিত। এরপর KiDS জরিপের ছবিতে মডেলটি পরীক্ষা করা হয়। এতে r = 23 মানের চেয়ে উজ্জ্বল বস্তুগুলোর ওপর গুরুত্ব দেওয়া হয় এবং আকাশের প্রায় ১,৩৫০ বর্গ ডিগ্রি এলাকা অন্তর্ভুক্ত করা হয়। ফলাফল: অসাধারণ গতি ও নির্ভুলতায় ২ কোটি ৭০ লাখের বেশি বস্তুর শ্রেণিবিন্যাস।

একাধিক জরিপে যাচাই ও নির্ভুলতা

নির্ভরযোগ্যতা নিশ্চিত করতে দলটি অন্যান্য বড় জরিপের তথ্য ব্যবহার করে মডেলটি যাচাই করেছে। গাইয়া মিশনের ৩৪ লাখ উৎসের ওপর প্রয়োগ করলে—যেগুলোর বেশির ভাগই সুপরিচিত গতিবিশিষ্ট নক্ষত্র—এআই ৯৯.৭% বস্তুকে সঠিকভাবে নক্ষত্র হিসেবে শনাক্ত করেছে। গ্যালাক্সি অ্যান্ড মাস অ্যাসেম্বলি (GAMA) জরিপেও একই রকম সাফল্য দেখা গেছে; সেখানে ছায়াপথ ও কোয়াসারের ৯৯.৭% সঠিকভাবে শ্রেণিবদ্ধ হয়েছে। কিছু ক্ষেত্রে এআই অতীতের ভুলও সংশোধন করেছে এবং পুরোনো তালিকায় ভুলভাবে চিহ্নিত বস্তুগুলোর শ্রেণি নতুন করে নির্ধারণ করেছে।

এত উচ্চ নির্ভুলতা মডেলটির নির্ভরযোগ্যতা এবং বিদ্যমান জ্যোতির্বৈজ্ঞানিক ডেটাবেস উন্নত করার সম্ভাবনা তুলে ধরে, যা জ্যোতির্বিজ্ঞানী সমাজের জন্য একে মূল্যবান হাতিয়ারে পরিণত করেছে।

মহাবিশ্বের মানচিত্র তৈরির বৈশ্বিক প্রতিযোগিতায় এআই

চীনের এই অগ্রগতি আরও বিস্তৃত একটি প্রবণতার অংশ: পরবর্তী প্রজন্মের টেলিস্কোপ থেকে আসা বিপুল তথ্য সামলাতে সক্ষম এআই সরঞ্জাম তৈরিতে সারা বিশ্বের জ্যোতির্বিজ্ঞানীরা প্রতিযোগিতা করছেন। উদাহরণস্বরূপ, ইউরোপীয় মহাকাশ সংস্থার ইউক্লিড মিশন পরিকল্পিত জরিপ এলাকার সামান্য অংশেই ইতিমধ্যে ২ কোটি ৬০ লাখ ছায়াপথের মানচিত্র তৈরি করেছে। আগামী ছয় বছরে ইউক্লিড ১৫০ কোটিরও বেশি ছায়াপথের ছবি তুলবে এবং প্রতিদিন প্রায় ১০০ গিগাবাইট তথ্য পাঠাবে। একইভাবে, আসন্ন ভেরা রুবিন অবজারভেটরি থেকে লাখ লাখ নতুন সুপারনোভা ও অন্যান্য ক্ষণস্থায়ী মহাজাগতিক ঘটনার সন্ধান পাওয়ার প্রত্যাশা রয়েছে। জুইকি ট্রানজিয়েন্ট ফ্যাসিলিটি জরিপে সুপারনোভা আবিষ্কার ও শ্রেণিবিন্যাসের কাজ ইতিমধ্যে ব্রাইট ট্রানজিয়েন্ট সার্ভে বটের (BTSbot) মতো এআই সরঞ্জাম স্বয়ংক্রিয় করছে।

নাগরিক বিজ্ঞান ও এআই: শক্তিশালী অংশীদারত্ব

চ্যালেঞ্জের ব্যাপ্তি বিবেচনায় জ্যোতির্বিজ্ঞানীরা সাধারণ মানুষের সহায়তাও নিচ্ছেন। গ্যালাক্সি জু এবং নতুন ‘গ্যালাক্সি জু: ইউক্লিড’-এর মতো প্রকল্পে সারা বিশ্বের স্বেচ্ছাসেবীদের ছায়াপথের আকৃতি শ্রেণিবদ্ধ করতে সহায়তার আমন্ত্রণ জানানো হয়। এই নাগরিক বিজ্ঞানীরা জুবটের মতো এআই অ্যালগরিদমের পাশাপাশি কাজ করেন; এআই সহজতর ঘটনাগুলো সামলায় এবং জটিল ছবিগুলো মানুষের কাছে পাঠায়। এই সহযোগিতায় শ্রেণিবিন্যাসের গতি বাড়ে, পাশাপাশি এআইকে প্রশিক্ষণ ও উন্নত করতেও সাহায্য হয়—ফলে আবিষ্কারের একটি ইতিবাচক চক্র তৈরি হয়।

নাসার জেমস ওয়েব স্পেস টেলিস্কোপ ও ইউক্লিড মিশন—দুটিই এই যৌথ পদ্ধতির ওপর নির্ভরশীল। হাজার হাজার স্বেচ্ছাসেবী ও উন্নত এআই একসঙ্গে কাজ করে এখন পর্যন্ত তৈরি ছায়াপথের গঠনসংক্রান্ত সবচেয়ে বড় ও বিস্তারিত তালিকা প্রস্তুত করছে।

জ্যোতির্বিজ্ঞানকে যেভাবে বদলে দিচ্ছে এআই

জ্যোতির্বিজ্ঞানে এআইয়ের প্রভাব শুধু কাজের গতি বাড়ানোর মধ্যেই সীমাবদ্ধ নয়। বিপুলসংখ্যক বস্তুকে দ্রুত ও নির্ভুলভাবে শ্রেণিবদ্ধ করে এআই বিজ্ঞানীদের সক্ষম করছে:

• বলয়াকার ছায়াপথ বা দূরবর্তী কোয়াসারের মতো বিরল ও অস্বাভাবিক বস্তু আবিষ্কার করতে, যেগুলো অন্যথায় নজর এড়িয়ে যেতে পারত।
• মহাজাগতিক সময়জুড়ে ছায়াপথের গঠন ও বিবর্তনের সূত্র খুঁজে বের করতে এবং কোটি কোটি বছরে মহাবিশ্ব কীভাবে বদলেছে তা বুঝতে।
• ছায়াপথের আকৃতি ও অবস্থান এবং মহাকর্ষীয় লেন্সিংয়ের প্রভাব বিশ্লেষণ করে অন্ধকার পদার্থ ও অন্ধকার শক্তির বণ্টনের মানচিত্র তৈরি করতে।
• অতীতের ভুল সংশোধন ও ঘাটতি পূরণ করে জ্যোতির্বৈজ্ঞানিক তালিকার নির্ভুলতা ও পূর্ণতা বাড়াতে।

উদাহরণস্বরূপ, গ্যালাক্সি ক্রুজ প্রকল্পে এআই ও নাগরিক বিজ্ঞানীদের যৌথ প্রচেষ্টায় সম্প্রতি ৩০ হাজার বিরল বলয়াকার ছায়াপথ আবিষ্কৃত হয়েছে। এই আবিষ্কার বৈজ্ঞানিক বিশ্লেষণের জন্য যথেষ্ট বড় একটি নমুনা দিয়েছে এবং এসব অস্বাভাবিক গঠন কীভাবে তৈরি হয় সে বিষয়ে নতুন ধারণা তুলে ধরেছে—প্রায়ই সর্পিল ছায়াপথের সংঘর্ষের মাধ্যমে।

প্রযুক্তিগত উদ্ভাবন: বহু-মাধ্যম ও পিক্সেল-স্তরের বিশ্লেষণ

জ্যোতির্বিজ্ঞানে এআইয়ের সাম্প্রতিক অগ্রগতির মধ্যে রয়েছে বহু-মাধ্যমভিত্তিক ডিপ লার্নিং স্থাপত্য, যা উন্নত নির্ভুলতার জন্য ছবির তথ্যের সঙ্গে সারণিভিত্তিক মেটাডেটা (যেমন উজ্জ্বলতা, রং ও রেডশিফট) মিলিয়ে বিশ্লেষণ করে। গবেষণায় দেখা গেছে, এসব মডেল এক ধরনের তথ্য ব্যবহারকারী মডেলের চেয়ে ভালো ফল দেয় এবং কম প্রশিক্ষণ ধাপেই বেশি নির্ভুলতা ও সংবেদনশীলতা অর্জন করে। ইউসি সান্তা ক্রুজে তৈরি মর্ফিয়াস এআইয়ের মতো কিছু সরঞ্জাম ছবিকে পিক্সেল ধরে ধরে বিশ্লেষণ করে, যার ফলে ছায়াপথের গঠন বিস্তারিতভাবে শ্রেণিবদ্ধ করা এবং এর ভেতরের জটিল কাঠামো শনাক্ত করা সম্ভব হয়।

জরিপের পরিধি যত উচ্চাকাঙ্ক্ষী হচ্ছে, এসব উদ্ভাবন ততই অপরিহার্য হয়ে উঠছে। যেমন, মহাকর্ষীয় লেন্সিংয়ের কারণে ছায়াপথের আকৃতিতে সৃষ্ট সূক্ষ্ম বিকৃতি মেপে অন্ধকার পদার্থের ত্রিমাত্রিক বণ্টনের মানচিত্র তৈরি করা ইউক্লিড মিশনের লক্ষ্য। উন্নত এআই ও মেশিন লার্নিং কৌশল ছাড়া এই কাজ অসম্ভব।

জ্যোতির্বিজ্ঞানে এআইয়ের সীমা ও চ্যালেঞ্জ

এই অগ্রগতি সত্ত্বেও এআই সব সমস্যার সমাধান নয়। যেকোনো মডেলের নির্ভুলতা তার প্রশিক্ষণ-তথ্যের মান ও বৈচিত্র্যের ওপর অনেকটাই নির্ভর করে। একটি জরিপের তথ্য দিয়ে প্রশিক্ষিত মডেল ভিন্ন যন্ত্র বা আকাশের অন্য অঞ্চলের তথ্যে তত ভালো কাজ নাও করতে পারে, বিশেষ করে ‘জোন অব অ্যাভয়ডেন্স’-এর মতো কঠিন পরিবেশে। সাম্প্রতিক গবেষণায় যেমন তুলে ধরা হয়েছে, ধুলায় আচ্ছাদিত অঞ্চল বা অস্বাভাবিক বৈশিষ্ট্যসম্পন্ন বস্তু শ্রেণিবদ্ধ করতে মেশিন লার্নিং মডেল হিমশিম খেতে পারে; কখনো কখনো উল্লেখযোগ্যসংখ্যক বস্তু শনাক্ত করতে বা সঠিকভাবে চিহ্নিত করতে ব্যর্থ হয়।

এ ছাড়া এআই মডেল প্রশিক্ষণ-তথ্যের পক্ষপাত উত্তরাধিকারসূত্রে পেতে পারে, ফলে বিরল বা অপ্রত্যাশিত ঘটনা নজর এড়িয়ে যেতে পারে। এ কারণেই এআইয়ের ফল যাচাই এবং একেবারে নতুন কিছু আবিষ্কারের জন্য মানুষের দক্ষতা ও নাগরিক বিজ্ঞানের ভূমিকা এখনো অত্যন্ত গুরুত্বপূর্ণ।

ভবিষ্যৎ দিকনির্দেশনা: আরও বুদ্ধিমান ও অভিযোজনক্ষম এআই

ইউনান অবজারভেটরিজের দলসহ অন্যরা এখন আরও অনুজ্জ্বল বস্তু সামলানো এবং ভিন্ন বৈশিষ্ট্যের নতুন জরিপের সঙ্গে খাপ খাওয়ানোর ক্ষেত্রে মডেলের সক্ষমতা বাড়াতে কাজ করছেন। এর মধ্যে রয়েছে আরও বৈচিত্র্যময় তথ্যসমষ্টি দিয়ে প্রশিক্ষণ, বহু-তরঙ্গদৈর্ঘ্যের তথ্য যুক্ত করা এবং অনিশ্চিত বা অস্বাভাবিক ঘটনাগুলো মানুষের পর্যালোচনার জন্য চিহ্নিত করতে পারে এমন অ্যালগরিদম তৈরি করা।

এআইয়ের বিকাশ অব্যাহত থাকায় পেশাদার ও শৌখিন—উভয় ধরনের জ্যোতির্বিজ্ঞানীর সঙ্গে এর অংশীদারত্বই মহাবিশ্বের রহস্য উন্মোচনের চাবিকাঠি হবে।

বৃহত্তর তাৎপর্য: আবিষ্কারের নতুন স্বর্ণযুগ

জ্যোতির্বিজ্ঞানে এআইয়ের উত্থান শুধু একটি প্রযুক্তিগত অর্জন নয়; বিজ্ঞানচর্চার পদ্ধতিতে এটি এক গভীর পরিবর্তনের প্রতীক। শ্রেণিবিন্যাসের ক্লান্তিকর কাজ স্বয়ংক্রিয় করে এআই জ্যোতির্বিজ্ঞানীদের ব্যাখ্যা, তত্ত্ব এবং অজানার অনুসন্ধানে মনোযোগ দেওয়ার সুযোগ করে দেয়। এটি আবিষ্কারের সুযোগকে আরও গণমুখী করে তোলে, ফলে ইন্টারনেট সংযোগ আছে এমন যে কেউ মহাজগতের মানচিত্র তৈরিতে অবদান রাখতে পারেন।

ইউক্লিড, জেমস ওয়েব ও ভেরা রুবিন অবজারভেটরির মতো মিশন থেকে বিপুল পরিমাণ তথ্য আসার অপেক্ষায়, এআই, মেশিন লার্নিং ও নাগরিক বিজ্ঞানের সমন্বয় জ্যোতির্বৈজ্ঞানিক আবিষ্কারের এক নতুন স্বর্ণযুগের সূচনা করছে। মহাবিশ্ব বিশাল ও রহস্যময়, তবে এই নতুন সরঞ্জামগুলোর সাহায্যে এর গভীরতা অনুসন্ধানে আমরা আগের যেকোনো সময়ের চেয়ে ভালোভাবে প্রস্তুত।

সংক্ষেপে

• চীনের একটি এআই মডেল ২ কোটি ৭০ লাখের বেশি নক্ষত্র, ছায়াপথ ও কোয়াসার শ্রেণিবদ্ধ করেছে, যা জ্যোতির্বৈজ্ঞানিক তথ্য বিশ্লেষণে বড় অগ্রগতি।
• উচ্চ নির্ভুলতার জন্য মডেলটি আকৃতিগত বৈশিষ্ট্য ও বর্ণালিগত শক্তি বণ্টন—দুই ধরনের তথ্যই ব্যবহার করে এবং একাধিক জরিপের মাধ্যমে এর কার্যকারিতা যাচাই করা হয়েছে।
• ইউক্লিড ও ভেরা রুবিন অবজারভেটরির মতো আধুনিক আকাশ জরিপ থেকে আসা বিপুল তথ্য সামলাতে এআই অপরিহার্য।
• গ্যালাক্সি জুর মতো নাগরিক বিজ্ঞান প্রকল্পগুলো জটিল বা অস্পষ্ট বস্তু শ্রেণিবদ্ধ করতে এআইয়ের পাশাপাশি কাজ করে, ফলে গতি ও নির্ভুলতা—দুটিই বাড়ে।
• এআই বিরল বস্তু আবিষ্কার ও পুরোনো তালিকার ভুল সংশোধনে সহায়তা করে, তবে কঠিন অঞ্চল ও অস্বাভাবিক ঘটনার ক্ষেত্রে এখনো চ্যালেঞ্জ রয়েছে।
• মহাজাগতিক বস্তুর শ্রেণিবিন্যাসের ভবিষ্যৎ নির্ভর করছে আরও বুদ্ধিমান, অভিযোজনক্ষম এআই মডেল এবং যন্ত্র ও মানুষের ধারাবাহিক সহযোগিতার ওপর।